Die Linusbank Allgemeine Marktübersicht Unternehmenssicht Problembeschreibung Projektplan

Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research

Prof. Dr. Andreas [email protected]

http://wiid.wiwi.tu-dresden.de01062 Dresden

Telefon +49 351 463-32359Telefax +49 351 463-32736

Rico LudwigChris ReichePatrick Schwabe

Ausgewählte Aspekte der BI:Projektseminar

Endpräsentation

Mat. Nr.: 3111685Mat. Nr.: 3206958Mat. Nr.: 3235860


Endpräsentation

Die LinusbankAllgemeine Marktübersicht

Unternehmenssicht

ProblembeschreibungProjektplanDeskriptive AnalyseKundenwertkonzeptKlassifikationsmodellKampagnenauswertung

TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research

Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 3

Die LinusbankAllgemeine Marktübersicht

• Höhere Preissensitivität

• Häufig 2 bis 4 Bankverbindungen

• Entwicklung kostenloser Girokonten:– 2000: gesamt: 6 %

– 2005: gesamt: 10 % - 2 % Onlinekonten

– 2010: gesamt 20 % - 19 % Onlinekonten

• Allgemeine Demografie am Markt:– 21 % jünger als 30

– 15 % älter als 70 Jahre

– 19 % zwischen 40 und 49

– Andere Altersgruppen jeweils ca. 15 %



Die LinusbankUnternehmenssicht

• Mittelgroße Filialbank mit 500.000 Kunden

• 5 Produkte :

• Umfangreiches Data Warehouse mit historisierter Datenbasis

• Sowohl Online- als auch Filialgeschäft


Endpräsentation

Die LinusbankProblembeschreibung

Was der Kunde sagt

Was der Kunde will

ProjektplanData UnderstandingData PreparationModeling



ProblembeschreibungWas der Kunde sagt

"Wir wollen den Produktbesitz und die Produktnutzung unserer Bestandskunden intensivieren, um dem Wettbewerbsdruck zu begegnen. Allerdings sind die Kosten unserer jeweils produktbezogenen Cross- und Up-Selling-Kampangen hoch, und zu häufig sollten die Kunden auch nicht angesprochen werden. Deshalb wollen wir mit unseren Kampagnen vorranging die wertvollsten Kunden adressieren. Leider können wir den Erfolg von Kampagnen nur schwer beurteilen. Anhand von Vergangenheitsdaten wissen wir, dass sich unsere Kunden hinsichtlich ihres Produktbesitzes, ihrer Produktnutzung sowie ihrer Reaktion auf Kampagnen zum Teil deutlich unterscheiden.“

"Wir wollen den Produktbesitz und die Produktnutzung unserer Bestandskunden intensivieren, um dem Wettbewerbsdruck zu begegnen. Allerdings sind die Kosten unserer jeweils produktbezogenen Cross- und Up-Selling-Kampangen hoch, und zu häufig sollten die Kunden auch nicht angesprochen werden. Deshalb wollen wir mit unseren Kampagnen vorranging die wertvollsten Kunden adressieren. Leider können wir den Erfolg von Kampagnen nur schwer beurteilen. Anhand von Vergangenheitsdaten wissen wir, dass sich unsere Kunden hinsichtlich ihres Produktbesitzes, ihrer Produktnutzung sowie ihrer Reaktion auf Kampagnen zum Teil deutlich unterscheiden.“



ProblembeschreibungWas der Kunde will

• Kosten für Kampagnen sehr hoch

• Kunden nutzen wenige Produkte

• Keine Erfolgsmessung der Kampagnen

• Wertvolle Kunden unbekannt

• Ziele:– Kundenzufriedenheit und Bindung erhöhen

– Wertvolle Kunden identifizieren

– Kosten reduzieren

– Erfolgsmessung für Marketingkampagnen einführen


Endpräsentation

Die LinusbankProblembeschreibungProjektplan

ProjektablaufKoordination der Projektarbeit

Data UnderstandingData PreparationModelingKampagnenauswertung



ProjektplanProjektablauf

• Orientierung des Projektablaufes an den Phasen des CRISP-DM

• Einarbeitung in Bankgeschäft und Daten der Linusbank

• Festlegen der Teilziele für Projektablauf

• Erarbeiten von Kennzahlen auf Basis der vorhandenen Daten

• Evaluation der erstellten Modelle und ableiten von Handlungsempfehlungen



ProjektplanKooperation der Projektarbeit


Endpräsentation

…ProjektplanData Understanding

Übersicht über vorhandene DatenProduktverteilungProdukterträgeKundenanalyseKundenwertkonzept

Data Preparation…



Deskriptive AnalyseÜbersicht über vorhandene Daten



Deskriptive AnalyseProduktverteilung (gesamt)

• Girokonto hat größten Produktanteil

• Kredit nur vergleichsweise geringer Anteil

• Anteil für Riester und Sparen minimal



Deskriptive AnalyseProduktverteilung (für Monat Juni)



Deskriptive AnalyseProduktverteilung (für Monat Dezember)



Deskriptive AnalyseProduktverteilung

• Deutliche Unterschiede in der Produktverteilung zwischen den

Monaten Juni und Dezember erkennbar

• Zurückzuführen auf wirksame Marketingkampagnen

• Alle Informationen über erstes Halbjahr im Datensatz für Juni enthalten

• Juni - Datensatz stellt Basis unserer Annahmen und Berechnungen dar

• Später: Vergleich und Güteanalyse mit Daten des Dezembers



Deskriptive AnalyseProdukterträge

• Riester und Kredit haben die höchsten Anteile an den Erträgen

• Zins, Giro und Depot vergleichsweise niedriger Ertragsanteil

Jahresertrag Laufzeitertrag

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Riester

Zins

Giro

Depot

Kredit Jahresertrag Laufzeitertrag

530 € 1970 €

140 € 290 €

40 € 260 €

25 € 90 €

450 € 570 €


Endpräsentation

…ProjektplanData Understanding

Übersicht über vorhandene DatenProduktverteilungProdukterträgeKundenanalyseKundenwertkonzept

Data Preparation…



Deskriptive AnalyseKundenanalyse

Die absolute Zahl der Kunden, die 1, 2, 3, 4 oder 5 und mehr Produkte besitzen

Die relativen Änderungen der Kunden mit einer bestimmten Anzahl an Produkten



Deskriptive AnalyseKundenanalyse

Umsatzanalyse nach Monaten sowie Zahl der Kunden, die einen Vertrag abgeschlossen haben und Zahl der

abgeschlossenen Verträge.



Deskriptive AnalyseKundenstruktur 1/2



Deskriptive AnalyseKundenstruktur 2/2

• Mehr Filial- als Onlinekunden

• Kaum Unterschiede in der Altersstruktur im Vergleich Online/ Offline



Deskriptive AnalyseKundenwertkonzept

Motivation:• Banken besitzen nur beschränkte Ressourcen für Aktivitäten der Kundenbindung

• Ziel ist es Kundensegmente zu identifizieren, die den Einsatz dieser Ressourcen

rechtfertigen

• Ermöglichung einer spezifischen Art der Betreuung von Bestandkunden und potenziellen

Neukunden

• Ausschöpfung von Cross- & Up - Selling Potenzialen

Mögliche Verfahren• Qualitative Segmentierung

• ABC - Analysen

• Kunden - Deckungsbeitragsrechnung

• Kunden - Scoring - Modelle

• Kunden - Portfolio - Analyse

• Customer Lifetime Value




Kundenwert lässt sich über viele Faktoren bestimmen:• Beziehungsdauer

• Kreditwürdigkeit

• Transaktionsvolumen

• Erwartete Kaufwahrscheinlichkeit für die Zukunft

• Generierter Umsatz

• Hohes Einkommen

Durch welche Daten lassen sich solche Kunden erkennen?• Kreditvolumen

• Kreditwürdigkeit

• Einlagen - Netto - Volumen

• Einlagenvolumen

• Saldo Girokonto

• Beziehungsdauer




Kunden unterteilen in A, B und C Kunden

• A Kunden sind wertvoll

• B Kunden haben keinen besonderen Wert, schädigen die Linusbank aber nicht

• C Kunden schädigen die Linusbank

Einflussreiche Größen

• Produktnutzung_X --> X ist die Menge an Produkten, welche einen besonders hohen Anteil

am Umsatz/Gewinn der Linusbank haben

• Dauer_X --> Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank

• Anzahl_X --> Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank

• Volumen_X --> Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank

• Kreditwürdigkeit --> Risikominimierung

• Vermögensausprägung --> viel Vermögen bedeutet viel Kapital für die Linusbank

• Beziehungsdauer --> Zeichen für Loyalität

• Cross-Selling_Potenzial_X --> Möglichkeit der Aufwertung des Kunden durch Kampagnen


Endpräsentation

…Data UnderstandingData Preparation

Datenbereinigung

Kundenwert Preparation

…

Modeling…



Data PreparationDatenbereinigung

• Ausschluss von "toten" Kunden, um eine saubere Datenbasis für die

Folgemodelle zu erzeugen?

– Nur bedingt sinnvoll, da diese Kunden durch die Kampagnen reaktiviert werden!

– Denkbarer Nutzen etwa bei Assoziationsanalyse für den Warenkorb, wobei Konten-

Tabelle nur Kunden enthält, die mindestens ein Produkt besitzen

• Modelle arbeiten fehlerhaft, aber der gezielte Ausschluss (klar definierter)

wertloser Kunden ist fehlerfrei, sodass das Endmodell eine höhere Güte aufweist

• Normierung der Datensätze erforderlich, da Daten sowohl metrisch skaliert

vorliegen (z. B. Kredithöhe oder Beziehungsdauer) oder nominal bzw. ordinal (z.

B. Geschlecht, Familienstand, Kreditwürdigkeit)

• Verbindung der Datensätze über die Kundennummer möglich (jeder Kunde hat

eine eindeutige Kundennummer)



Data PreparationAusschluss von Datenmaterial

• Produktnutzung_Giro und Dauer_Giro beinhalten die gleichen

Fakten

• Wenn die Produktnutzung = 0 ist auch die Dauer_Giro = 0

• Daraus folgt, dass Dauer_Giro überflüssig ist

• ebenso bei Zins, Kredit, Riester, Depot, Kreditkarte, Sparkarte,

Baufinanzierung

• Ausschluss von Kreditkarte, Baufinanzierung und Termingeld,

Sparkarte laut Aufgabenstellung (keine adäquaten Daten)



Data PreparationTransformierung von Datensätzen

Tabelle Konten und Kunden• Verknüpfung der beiden Tabellen für

jeden Monat mit den Informationen:– Beziehungsdauer

– Alter

– Vertriebskanal

– Produktnutzungsdauer (Giro, Zins, Kredit, Riester, Depot, Sparkarte)

Einteilung der Zeiten in Intervalle

• Nutzungsdauer:

0 Jahre1-12: 1 Jahr13-24: 2 Jahre37-60: 3-5 Jahreab 61: 6-10 Jahre

• Alter:

bis 17: Minderjährig18-2930-3940-4950-59ab 60

• Beziehungsdauer:

0-3: Neukunde3-12: 1 Jahr13-24: 2 Jahre25-60: 3-5 Jahre51-120: 6-10 Jahreab 121: mehr als 10 Jahre



DatapreparationKundenwert

• Für eine erste Analyse genügt ein relativ einfacher Initialkundenwert, der auf Basis des Laufzeitertrags ermittelt wird. In weiteren Schritt kann anhand von den verschiedenen Prognosemodellen ein Score für jeden Kunden erzeugt werden, der in einen präziseren und feiner abgestimmten Kundenwert einfließt.

• Für die aktuelle Aufgabe genügt der Initialkundenwert.

• Kunden haben zu einem bestimmten Zeitpunkt ein eine Menge an Produkten mit unterschiedlichem Jahresertrag und Laufzeitertrag erworben

• Je nach Jahresertrag und Laufzeitertrag erzeugen diese Kunden einen höheren oder niedrigeren Umsatz

• Kunden werden anhand dieses Umsatzes in verschiedene Werte-Klassen eingeteilt



DatapreparationKundenwert

Hilfsmittel: ABC-Analyse

• Klassische ABC-Analyse gruppiert Kunden prozentual in Klassen ein, die einen bestimmten

Umsatzanteil ausmachen

• jedoch in SQL extrem komplex zu implementieren

• Abgewandelter Algorithmus sortiert Kunden absteigend nach Umsatz und ordnet absolute

Mengen in die Klassen ein, sodass die ersten 50.000 Kunden mit dem höchsten Umsatz

Klasse A darstellen, die nächsten Kunden Klasse B usw.

• Die Mengen wurden so definiert, dass ca. 20% der Kunden (A und B) 80% des Umsatzes

generieren


Endpräsentation…Data UnderstandingData PreperationModeling

AssoziationsanalyseClusteranalysePrognosemodelle

…



Teil der Aufgabenstellung:

Entwickeln Sie jeweils ein Produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte Linuskredit, Linusdepot, Linusgiro, Linuszins und Linusriester.

Ziel der AnalyseEindruck darüber gewinnen, welche Produkte häufig gemeinsam genutzt werden.

ModelingAssoziationsanalyse



Assoziationsanalyse Vorbereitung der Daten für Assoziationsanalyse

• Benötigter Datensatz: – Konten

• Enthaltene Daten:– Kundennummer als ID

– Produktnutzung (Kredit, Depot, Giro, Zins, Riester) binär 0 oder 1

– Vermögensausprägung (negativ, ausgeglichen, positiv) nominal -1, 0 oder 1

– Alter in 5 Stufen nominal

– Kreditwürdigkeit (gut, schlecht, unbekannt) nominal

– Beziehungsdauer

– Kanal (Online, Filiale) binär



Assoziationsanalyse

• Der Datenfluss im Diagramm



Assoziationsanalyse

• Die Filtereinstellungen, um nicht zu berücksichtigende Produkte auszuschließen

• Weitere Einstellungen



Assoziationsanalyse Ergebnis

• Das Ergebnis der Analyse mit dem ermittelten Warenkorb.

• Hier zu sehen sind nur die Regeln, die auf der rechten Seite genau ein Ergebnis erzeugen.



Assoziationsanalyse Ergebnis II

• Überblick über alle erzeugten Regeln



Assoziationsanalyse Fazit

• Häufig zusammen gekauft werden Zins, Depot und Riester in allen möglichen Kombinationen.

• Macht Sinn, da alle drei Produkte im Kern Sparprodukte darstellen.

• Starken Lift erzeugen Riester-Produkte, die sowohl für Zins, als auch Zins Kombination mit Giro oder Depot häufig nachgefragt werden.

• Diese Produkte werden jedoch vergleichsweise selten verkauft.

Handlungsmöglichkeiten:

Kunden, die bereits ein oder mehrere Produkte besitzen, könnten entsprechend interessiert sein an den ermittelten Kombinationen. So bietet es sich an, Besitzer von Zins, die noch über kein Depot verfügen, ein Produktangebot vorzubereiten bzw. Depot-Besitzern auch Linuszins anzubieten.


Endpräsentation…Data UnderstandingData PreperationModeling


…



Modeling Clusteranalyse

Teil der Aufgabenstellung:Entwickeln Sie jeweils ein Produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte Linuskredit, Linusdepot, Linusgiro, Linuszins und Linusriester.

Ziel der AnalyseEindruck über die Kundenstruktur gewinnen. Gibt es typische Nutzergruppen, die ähnliche Eigenschaften aufweisen?



Clusteranalyse

• Benötigter Datensatz: Kunden_binary200812

• Enthaltene Daten:– Kundennummer als ID

– Produktnutzung (Kredit, Depot, Giro, Zins, Riester) binär 0 oder 1

– Vermögensausprägung (negativ, ausgeglichen, positiv) nominal -1, 0 oder 1

– Alter in 5 Stufen nominal

– Kreditwürdigkeit (gut, schlecht, unbekannt) nominal

– Beziehungsdauer

– Kanal (Online, Filiale) binär



Clusteranalyse

• Nachdem der Clusternode keine zufriedenstellenden Ergebnisse hervorbrachte, kam der SOM-/Kohonen-Node zum Einsatz.

• Vorgehen:

• Sampling-Node mit Simple-Random (12345) als Starteinstellung und 4x6 Clustern.

• Anschließend Beobachtung des Distance-Plots auf eine gleichmäßige Verteilung der Cluster und Prüfung der Clusterhäufigkeit in den Statistics.

• Schrittweise Reduzierung der Clusterzahl brachte bei 2x3 Clustern das erste gute Ergebnis, bei dem die Cluster gut verteilt waren und keine Häufung mehr auftrat.

• Als wichtige Variablen zeigt sich stets die Beziehungsdauer, die Vermögensausprägung, Giro, Depot, Zins, Kredit.



Clusteranalyse

• Der Datenfluss im Diagramm



Clusteranalyse

• Ergebnis der Clusteranalyse



Clusteranalyse

• Das Ergebnis der Analyse mit dem ermittelten Distanzgraphen.



Clusteranalyse

• Das Alter wurde nicht in die Cluster-Unterscheidung einbezogen.



Clusteranalyse

• Die Verteilung der Produkte auf die verschiedenen Cluster



Clusteranalyse

• Während Vermögensausprägung durchaus einen Einfluss hat, ist die Kreditwürdigkeit in allen Clustern gleich verteilt.



ClusteranalyseFazit

Es zeigen sich drei auffällige Cluster-Gruppierungen:

• So gibt es stets ein Cluster Kreditkunden, das einen erheblichen Anteil an Kreditkunden beinhaltet, die eine stark negative Vermögensausprägung aufweisen und eine mittlere Beziehungsdauer ab 3 Jahren erreichen.

• Die zweite Gruppe sind die Sparkunden mit positiver Vermögensausprägung, langer Bindungsdauer teils über 10 Jahre und allen drei Spar-Produkten Zins, Depot und Giro.

• Die dritte Gruppe umfasst die verbleibenden Cluster mit vorrangig ausgeglichenem Vermögen und häufig einem Girokonto oder Depot.

Handlungsmöglichkeiten:Es lässt sich erkennen, dass im Cluster der Sparkunden die klassischen Sparprodukte häufig nachgefragt werden. Ein Ansatz wäre, Kunden zu finden, die ebenfalls vermögend sind, aber noch nicht alle Produkte besitzen. Zusätzlich ist eine Aktion denkbar, bei der Kunden, die alle Produkte besitzen, aber nur geringe Einlagen aufweisen, zusätzliches Geld überweisen, weil sie mit hoher Wahrscheinlichkeit noch woanders über Konten mit Spareinlagen verfügen.


Endpräsentation…Modeling


StandardprognosemodelleGiroKreditRiesterZinsDepotScores

Fazit



Modeling Prognosemodelle

Teil der Aufgabenstellung:Entwickeln Sie jeweils ein produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte linuskredit, linusdepot, linusgiro, linuszins und linusriester.

Ziel der ModelleKlassifikation von Kunden, um Wahrscheinlichkeiten für Produktabschlüssen zu prognostizieren.



Modeling Vorbereitung der Daten für die Prognosemodelle

• Benötigte Datensätze:– Kundendaten_200806

– Kundendaten_200812

• Transformationen:– Alter (nominal 5 Klassen)

– Vermögensausprägung (ordinal -1 0 und 1)

– Produktnutzung (binär für jedes Produkt)

– Beziehungsdauer (nominal 5 Klassen)

• Kundenwert (Initialwert):– Klasse (nominal A bis E)

– Umsatz (metrisch)

• Ausgangsdaten:– Kundennummer (id)

– Alter (nominal 5 Klassen)

– Kanal (binär)

– Kreditwürdigkeit (nominal 3 Klassen)

– Vermögensausprägung (ordinal -1 0 und 1)

– Giro (binär)

– Kredit (binär)

– Riester (binär)

– Zins (binär)

– Depot (binär)

– Beziehungsdauer (nominal 5 Klassen)

– Klasse (nominal 5 Klassen)

– Umsatz (interval 115-4365)



Erstellung von Standardprognosemodellen

• Vorgehen:

– Aufgrund der Daten in Kundendaten_200806 Modelle entwicklen, welche Prognosen

für Produktabschlüsse erstellen

– Prognosen werden mit den tatsächlichen Daten aus Kundendaten_200812 verglichen

und anhand der Misclassification Rate und dem Fehler zweiter Art bewertet

– Um ein möglichst optimale Prognosemodelle zu erhalten werden zunächst drei

Standardmodelle erstellt und davon das geeignetste weiter optimiert

– Bevorzugt wird nach Möglichkeit der Entscheidungsbaum, da er viele positive

Eigenschaften wie Verständlichkeit und hohe Performance besitzt

– Ausschluss von Kundendaten, welche durch Kampagnen angesprochen wurden, um

die Ergebnisse nicht zu verfälschen



Erstellung von Standardprognosemodellen

• Anlegen zwei parraleler Datenstränge

für je Trainings bzw. Validierungsdaten

aus Kundendaten_200806 und

Testdaten aus Kundendaten_200812



Erstellung von StandardprognosemodellenEinstellungen

• "Umsatz" aus Datensatz ausschiessen, da indirekt im Kundenwert

enthalten:

• "Anlegen von fünf Pfaden (mit je zwei Datenstängen) für jedes Produkt,

Jeweiliges Produkt als Target definieren:




• Künstliches Angleichen der Verteilung in den Target Variablen, um

neutralen Trainigsdatensatz zu erhalten:




• Datenstränge für Trainig, Validierung und Test aufteilen:

• Standardmodelle des Künstlichen Neuronalen Netzes, der Regresion und des Entscheidugnsbaums erstellen:



Erstellung von StandardprognosemodellenVergleich

• Standartmodelle im Assesment-Node vergleichen:

• Besonders geeignetes Modell auswählen, welches weiter zu optimieren ist:



Optimierungen

• Wichtigstes Bewertungskriterium ist die Missclasifiation Rate im Testdatensatz und der Prozentuale

Fehler zweiter Art

• Wenn alle Standartmodelle auf ähnlichen Niveau sind wird der Entscheidungsbaum versucht zu

optimieren

• Wenn sich größere Abweichungen ergeben werden zusätzlich zum Entscheidungsbaum auch andere

Modelle optimiert

• Optimierung Entscheidungsbaum: Absenkung es Signigikanzlevels im Chi-Quadrat Test, Absenkung der

minimalen Beobachtungen je Blattkonten, Erhöhung der benötigten Beobachtungen für jede Split-Suche



OptimierungenEinstellungen

• Optimierungen Künstliches Neuronales Netz: Modelauswahl Kriterium auf Misclassification Rate ändern, Versteckte Neuronen erhöhen, direkte Verbindungen zulassen



OptimierungenEinstellungen

• Optimierungen Regression: Methode auf Backward ändern, Validation

Misclassification als Kriterium wählen





Fazit



PrognosemodelleGiro

• Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt

zusammen:

• Neuronal Network: 0.0586713728

- Optimiert: 0.0597251027

- Verschlechterung um 0,1%

• Tree: 0.1738551315

- Optimiert: 0.1620013139

- Verbesserung um 1,2%

• Regression: 0.2132549094

• Neuronales Netz ist bestes Modell, konnte aber nicht weiter optimiert werden. Entscheidungbaum konnte auch mit optimierungen nicht entsprechend verbessert werden

Neuronales Netz wird als Prognosemodell für Grio genommen



PrognosemodelleGiro

• Fehler zweiter Art von 4,7%



PrognosemodelleKredit


zusammen:


• Tree: 0.0019142331

- Optimiert: 0.0014273017


• Regression: 0.003813008

• Alle Modelle liegen nah beieinander auf sehr hohem Nivau

• Der Entscheidungsbaum konnte somit auch nicht mehr nennenswert optimiert werden.

Optimierter Entscheidungsbaum wird als Prognosemodell für Kredit genommen




• Sehr geringer Fehler zweiter Art von nur 0,8%




• Entscheidungsregeln im optimierten Entscheidungsbaum



PrognosemodelleRiester


zusammen:


- Optimiert: 0.2564376715

- Verbesserung von 0,4%

• Tree: 0.3665022092

- Optimiert: 0.2368728181


• Regression: 0.2132549094

• Entscheidungsbaum mit Abstand am schlechtesten

• Optimierungen bei anderen Modellen versprach kein Erfolg

• Optimierung bei Entscheidungsbaum verbessern Ergebnis signifikant, sodass Ergbnis vergleichbar wird mit den der anderen Modelle.

optimierter Entscheidungsbaum wird als Prognosemodell für Riester genommen





Fazit




• extrem hoher Fehler zweiter Art von 47%







PrognosemodelleZins


zusammen:


• Tree: 0.1215602417

- Optimiert: 0.1165543805


• Regression: 0.1986989398

• Entscheidungsbaum ist per se schon sehr gut, konnte aber nicht signifikant optimiert werden.

Optimierter Entscheidungsbaum wird als Prognosemodell für Zins genommen



PrognosemodelleZins

• extrem hoher Fehler zweiter Art von 44%



PrognosemodelleZins




PrognosemodelleDepot


zusammen:


- Optimiert: 0.0765976632

- Verschlechterung von 1.2%

• Tree: 0.0921871981

- Optimiert: 0.0380347551

- Verbesserung von 5,4%

• Regression: 0.1226526169

• Der Entscheidungsbaum ist ein guter Ausgangspunkt für das Modell und liefert optimiert, die besten Ergebnisse.

optimierter Entscheidungsbaum wird als Prognosemodell für Depot genommen




• 6,9% Fehler zweiter Art







PrognosemodelleScores

• Extraktion der Scores:

– Entscheidungsregeln der Modelle werden extrahiert und über einen SAS-

Code in Prognosewahrscheinlichkeiten für Kunden zu dem jeweiligen

Produkt gespeichert.

– Aus dem Prognosewahrscheinlichketen und dem alten Kundenwert wird

anschließend der neue Kundenwert berechnet





Kampangen - Management

Fazit



Kampagnen - Management

Grundsätzliche Arbeitsweise:

• Vergleich der durchschnittlichen Monatsumsätze für das beworbene Produkt und die

gesamte Abschlussmenge

• Kundenbasis Wirkgruppe (nahm an Kampagne teil) und Kontrollgruppe (nahm nicht an

Kampagne teil)

Datenbasis:

• Kampagnen-Tabelle (Kundennummer, Name, Wirkgruppe, Abschluss)

• Konten-Tabelle (Kundennummer, Abschluss, Produkt)

• Produkt-Tabelle (Name, Laufzeitertrag)



Für eine Bewertung der Kampagne wird nun untersucht, ob die angeschriebenen Kunden im Verhältnis einen höheren Umsatz erzeugt haben als die Kunden, die nicht angeschrieben wurden (also die Kontrollgruppe). Dazu kann einmal der Gesamtumsatz betrachtet werden, zur besseren Deckungsbeitragsbewertung ist jedoch die Betrachtung des Umsatzes besser, der ausschließlich mit dem beworbenen Produkt erzielt wurde.



Kreditmailing - Vergleich

Ermitteln der Anzahl der angeschriebenen Kunden für die Kampagne:

• Alle Kunden in Wirkgruppe=1 mit Kampagnename = Kreditmailing sind die Wirkgruppe (32.680 Kunden)

• Alle Kunden in Wirkgruppe=0 mit Kampagnename = Kreditmailing sind die Kontrollgruppe (3.610 Kunden)

• Für die Bewertung des Prognosemodells wurde ein Modell für Kredit auf Basis der Kundendaten mit Stand 200805 prognostiziert, wobei für dsa Training alle Kunden gefiltert wurden, die an Kampagnen teilgenommen haben.Die ermittelten Kunden mit einer Kreditkaufwahrscheinlichkeit werden anschließend nach Wahrscheinlichkeit gescored.

Für eine Bewertung anhand der gemachten Kampagne wurden nur die Kunden angeschrieben, die sowohl in der Kampagne Kreditmailing aufgeführt waren als auch vom eigenen Prognosemodell als "Kaufkunden" bewertet wurden.Daraus ergibt sich eine Wirkgruppe mit 32183 Kunden. Die Kontrollgruppe bleibt gleich.



Documents

Die Linusbank Allgemeine Marktübersicht Unternehmenssicht Problembeschreibung Projektplan